基于h/q分解和贝叶斯迭代分类的跑道检测算法

2016-09-07石庆研

系统工程与电子技术 2016年9期

关键词：机场跑道像素点贝叶斯

韩　萍, 常　玲, 程　争, 石庆研

(中国民航大学智能信号与图像处理天津市重点实验室, 天津 300300)

基于h/q分解和贝叶斯迭代分类的跑道检测算法

韩萍, 常玲, 程争, 石庆研

(中国民航大学智能信号与图像处理天津市重点实验室, 天津 300300)

提出一种无监督分类的机场跑道检测方法。首先利用h/q分解对原图像中所有像素点进行粗分类,建立初始样本模板;利用初始样本模板对原图像进行贝叶斯迭代分类,得到分类图;结合跑道的极化散射特性、弱回波特性及形态学处理方法,从分类图中提取出疑似跑道区域;最终应用跑道的结构特征进一步辨识疑似跑道区域,检测出真实机场跑道目标。通过美国UAVSAR系统采集的多组全极化合成孔径雷达(synthetic aperture radar,SAR)实测数据验证本文算法的有效性,实验结果说明,所提算法能有效、正确地检测出复杂场景下极化SAR图像中的机场跑道区域,且结构完整清晰,虚警率低。

h/q分解; 贝叶斯迭代分类; 极化合成孔径雷达图像; 跑道检测; 极化散射特性

0　引　言

机场是一种重要的交通设备和军用设备,自身包含着大量信息,其自动检测技术的研究已日渐成为目标检测领域中的热点问题。跑道是机场区域内显著特征之一,可将对检测跑道的研究作为识别机场区域的基础。现存可查阅的机场跑道检测文献很多,但大多数方法是应用于红外[1]、光学[2-6]和传统单极化合成孔径雷达(synthetic aperture radar, SAR)图像[7-17],涉及全极化SAR图像的机场跑道检测算法很少。与传统的单极化SAR相比,全极化SAR系统采集的数据包含了目标的极化散射特性,能够获得表征地物目标形状、分布、粗糙度等更为丰富的特征信息。因此利用全极化SAR图像来研究机场跑道目标的检测具有很广阔的应用前景。

目前针对单极化或多极化SAR图像的跑道目标检测算法可归结为两种:第一种是直接从图中提取代表跑道的直线作为检测特征,这种方法对图像分辨率要求高且计算量大,且由于SAR图像中存在固有相干斑,导致跑道边缘模糊,影响检测质量;第二种是利用图像分割或分类的方法,首先提取出疑似跑道的感兴趣区域(region of interest,ROI),然后对ROI做进一步判别,确定出跑道区域,这种方法计算量相对较少,对图像细节要求较低,但是ROI提取严重依赖前期分割或分类效果的好坏。文献[18]采用了有监督的分类方法提取疑似跑道ROI,这种方法需要利用先验信息,使得其应用受到了一定程度的限制。

针对上述问题,本文提出一种基于h/q分解和贝叶斯迭代分类的无监督分类算法进行跑道检测。首先利用h/q分解对原图像每个像素点进行分类,提取初始样本模板;然后利用初始样本模板,根据贝叶斯迭代分类方法得到分类图;再利用跑道的极化散射特性、弱回波特性和形态学处理从分类图中获得疑似ROI;最终应用跑道目标的结构特征进一步辨识疑似ROI,检测出真实跑道区域。

1　h/q分解和贝叶斯分类

1.1h/q分解

极化SAR图像中,地物目标的极化散射类型可用极化散射熵H和极化散射角α来表征。文献[19]提出用参数h、q替代H、α,参数h、q计算公式为

(1)

(2)

式中，Tij为相干矩阵T的第i行j列的值。与H/α平面划分图一样,h/q平面区域划分图也由8个区域构成,如图1所示,每个区域代表特定的散射机制类型,其区域边界比H/α平面的边界更稳定,且更能准确地指定地物目标的极化散射机制。

图1　h/q平面区域划分图Fig.1　Zoning figure of h/q plane

1.2贝叶斯分类

极化相干矩阵T的概率密度分布函数服从复Wishart分布[20]：

(3)

贝叶斯分类器是基于贝叶斯准则,且分类错误概率最小的分类方法,也是具有最小类间误差的判别准则,常将其应用于极化SAR图像地物分类中。这里令Y={ys,s∈S}为待测图像,X={xs; xs∈{1,2,…,K},s∈S}为整幅图像中像素点的类别标号,K表征类别数,S是待测图像中所有像素点的集合,并结合最大后验概率(maximumaposterioriprobability,MAP)准则,得到贝叶斯分类公式:

(4)

根据极化相干矩阵T的统计特征,结合式(4),可得应用于极化SAR图像分类的贝叶斯分类器:

(5)

2　本文方法

本文利用地物的不同散射特性和物理结构特性,寻求合适的分类方法和判别方法提取机场跑道区域。首先利用基于h/q分解和贝叶斯迭代分类的无监督分类算法从原图像中得到分类图;再利用跑道的极化散射特性、弱回波特性和形态学处理,从分类图中获得疑似ROI;最终应用跑道目标的结构特征进一步辨识疑似ROI,检测出真实机场跑道区域。算法流程图如图2所示。

图2　算法流程图Fig.2　Flowchart of proposed algorithm

2.1提取初始样本模板

(6)

式中,Nl是第l类中包含的像素数目(l=1,2,…,8);Tl,n是第l类第n个像素点的极化相干矩阵。

2.2贝叶斯迭代分类

结合贝叶斯分类公式,贝叶斯迭代分类过程如下:

2.3提取跑道类像素点

在极化SAR图像中,跑道类地物满足下面两个特征:

(1) 跑道类地物的散射机制类型是中、低熵表面散射;

(2) 跑道表面光滑,回波很弱,即跑道类地物的散射功率span很小。

所以可从第2.2节中的分类结果图中提取出散射机制类型为中、低熵表面散射机制且散射功率span

2.4形态学处理提取疑似跑道区域

第2.3节中得到的含有跑道类像素点的二值图中,包含大量的孤立小区域(包括离散像素点和不符合跑道尺寸特征的小区域),为了去除这些孤立小区域,本文采用形态学处理操作,具体步骤如下:

步骤 1由民用机场跑道尺寸标准[22](跑道长度范围:900～4 200 m;跑道宽度范围:18～100 m)和图像分辨率,可计算出图像中最小跑道区域的面积阈值Th0。

步骤 2对第2.3节中得到的二值图进行连通区域标记处理,并计算出每个连通区域中所包含的像素点个数Num;

步骤 3将每个连通区域的像素点个数Num代入式(7),满足式(7)则将该连通区域所有像素点置为“0”,否则不作任何处理。

Num

(7)

通过上述处理可去除二值图中大量孤立的小区域,得到含有疑似跑道区域的二值图。

2.5疑似跑道区域辨识

机场跑道有一定的尺寸标准和结构特征,可用这些特征对各个疑似跑道区域进行进一步辨识,以确定真实跑道区域。本文选用了跑道的拓扑、平行线以及对比度特征来判别疑似ROI,具体判别流程图如图3所示。

图3　疑似跑道区域辨识流程图Fig.3　Flowchart of the discrimination of suspected runway areas

下面对本文中选用的3个跑道结构特征进行详细描述:

(1) 拓扑特征[17]。拓扑特征用欧拉数E来表征,欧拉数E的值等于连通分量个数与空洞个数的差值。连通分量数是二值图中标记为“1”的像素点构成的连通区域个数;空洞数是指标记为“1”的连通区域中包围的标记为“0”的像素点构成的连通区域的个数。跑道区域中间有很多草坪或裸地构成的空洞,因此对比河流、公路等疑似跑道区域,跑道的欧拉数较小。

(2) 平行线特征。平行线特征用平行线对数Dis表征。本文检测出的跑道区域含有主跑道、副跑道、滑行道和停机坪,在用Hough变换提取满足长度要求的长直线后,再用跑道宽度特征提取出满足要求的平行线对,并计算平行线对数。跑道区域的平行线对数明显大于河流、公路等疑似跑道区域。

(3) 对比度特征。对比度D等于S1/S2,其中S1表示二值图中标记为“1”的像素点个数,S2表示二值图中标记为“1”的像素点构成的连通区域内包围的标记为“0”的像素点个数。由于跑道区域中含有大块草坪或裸地区域,因此跑道区域的S2值比其他疑似跑道区域要大,所以对比度D的数值较小。

用上述3个结构特征对各疑似跑道区域进行辨识,以确定跑道区域,判别过程如下:

(1) 对上述第2.4节中得到的疑似跑道区域进行连通区域标记,并计算出每个连通区域的最小外接矩形的尺寸,并利用尺寸结果对图像进行裁剪,即可获得各个独立的疑似跑道区域;

(2) 计算每个独立疑似跑道区域的欧拉数E、平行线对数Dis和对比度D,判断其是否满足阈值限制,满足则不作处理,为真实跑道区域,不满足则将该区域置为“0”,为非跑道区域。

通过上述处理后即可确定真实跑道区域。

3　实验结果及分析

为了验证本文算法的有效性,对多组含有民用机场跑道的全极化数据进行了实验,并与文献[18]算法的实验结果进行对比。本文选择3个具有代表性的实验结果进行分析。

实验 1实验数据是利用美国UAVSAR系统采集于Hawaii区域上空L波段全极化数据,经过4视处理。图像大小为1 500像素×1 000像素,如图4(a)、图4(b)所示。场景中除包括Kauluhi机场区域外,还有海洋、公路、城区、草地、田地等地物。图像方位向和距离向分辨率分别是4.9 m和7.2 m。

实验参数设置如下:散射功率阈值Th为0.01;根据图像的分辨率可计算出形态学处理阈值Th0=450;欧拉数E、平行线对数Dis和对比度D的阈值E0、Dis0、D0分别为0、10、0.4。图5给出了实验结果图。

图4　Kahului机场场景Fig.4　Scenes of Kahului airport

图5　Kahului机场场景实验结果Fig.5　Results of Kahului airport scenes

由图5(a)分类图可以看出,跑道区域是一种颜色,属于中熵表面散射,满足跑道类像素点的散射机制类型为中低熵表面散射这一特征,为上述第2.3节中提取跑道类像素点的特征(1)作了论证。图5(b)是利用跑道类地物的极化散射特性和弱回波特性从分类结果图中提取的含有跑道类像素点的二值图,与图4比较可知,图5(b)中包含完整的跑道区域,说明这两个特征是从分类结果图中提取跑道区域的有效特征。图5(c)是形态学处理结果图,可以看到,通过形态学处理,去除了大量的孤立小区域(包括离散像素点和不符合跑道尺寸特征的小区域),大大减少了后期疑似跑道区域结构判别的计算量。图5(d)为最终检测结果图,从图中可以看出经过结构特征判别后,真实跑道区域为保留下的唯一区域,说明了本方法能完整地检测出该地区中的机场跑道区域,且无虚警。对比图5(e)跑道区域放大图和图5(f)对应的光学图,同时说明,本方法检测出的跑道区域结构完整,边缘细节保持良好。

将本文算法实验结果图5(d)、图5(f)与文献[18]的实验结果图5(g)、图5(h)对比可见,两种算法均能有效检测出真实跑道区域,检测出的跑道区域细节都保持良好。本文方法在没有用到样本信息的情况下检测出的跑道区域与文献[18]结果一样,足以说明本文算法比文献[18]算法更优。

实验 2实验数据是利用美国UAVSAR系统采集于美国Big Island区域上空全极化数据(同实验1一样为L波段4视数据)。图像大小为900像素×900像素,如图6(a)、图6(b)所示。场景中除包括Kona国际机场外,还含有多种复杂地物,包括建筑物、农田、森林、灌木、草地、裸地等。图像分辨率为7.2 m(距离向),4.9 m(方位向)。

实验参数设置:根据图像的分辨率可计算出形态学处理阈值Th0=459;其余参数设置和实验1相同。实验结果如图7所示。

图6　Kona国际机场场景Fig.6　Scenes of Kona international airport

实验2的实验结果分析过程与实验1相同,这里不在详述。从图7(d)检测结果图中看到,真实跑道区域为保留下的唯一区域,同样说明了本文方法能完整地检测出该地区中机场跑道区域,且无虚警。对比图7(e)和图7(f),说明本文方法检测出的跑道区域结构完整,边缘细节保持良好。

将本文算法实验结果图7(d)、图7(f)与文献[18]的实验结果图7(g)、图7(h)对比同样可见,两种算法均能有效检测出真实跑道区域,检测出的跑道区域细节都保持良好。两种算法检测结果一样,但本文方法克服了文献[18]对样本的依赖性,说明本文算法比文献[18]算法更优。

实验 3实验数据为UAVSAR系统采集于美国San Andreas Fault区域上空的全极化数据(同样为L波段4视数据)。图像大小为1 051像素×1 151像素,如图8(a)、图8(b)所示。场景中除了包含Watsonville Municipal机场外,还有建筑物、道路、农田、河流、草地等地物。图像方位向和距离向分辨率分别是4.9 m和7.2 m。。

实验参数设置:根据图像的分辨率可计算出形态学处理阈值Th0=459;其余参数设置和实验1相同。实验结果如图9所示。

图7　Kona国际机场实验结果图Fig.7　Results of Kona international airport scenes

图8　Watsonville Municipal机场场景Fig.8　Scenes of Watsonville Municipal airport

实验3的实验结果分析过程同上面两个实验一样,这里不在详述。从图9(d)检测结果图中看到,真实跑道区域被完整地保留下来,存在一个虚警区域,说明了本文方法能完整地检测出该机场跑道区域。对比图9(e)和图9(f),说明本文方法能有效地检测出跑道区域,且跑道目标结构完整、细节信息保存良好。虚警区域的存在是由于本文选用的跑道结构特征无法去除所有非跑道区域,后期将寻找更有效的结构特征用于判别疑似跑道区域作为研究重点。

将本文算法实验结果图9(d)、图9(f)与文献[18]的实验结果图9(g)、图9(h)对比同样可见,两种算法均能有效检测出真实跑道区域,检测出的跑道区域细节都保持良好。文献[18]中应用有监督分类提取疑似跑道区域,去除了大部分非跑道区域,检测结果中虚警率很低,但本文方法在没有用到样本的情况下,仍能完整地检测出跑道区域。总体而言本文方法实用范围更广,比文献[18]算法更具研究意义。

图9　Watsonville Municipal机场场景实验结果图Fig.9　Results of Watsonville Municipal airport scenes

将本文方法应用于其余12组由美国UAVSAR系统采集的L波段4视全极化数据(含机场跑道),检测结果说明:本文方法能完整、有效地检测出极化SAR图像中的机场跑道区域,无漏警,虚警率低,且检测出的跑道结构完整,细节清晰,存在虚警的有1个场景(虚警的存在同样是因为选用的跑道结构特征没有去除所有非跑道区域)。

4　结　论

本文采用h/q分解和贝叶斯迭代分类相结合的无监督分类方法粗提取出疑似跑道ROI,再利用跑道的极化散射特性、弱回波特性、尺寸特征以及结构特性精确提取真实跑道区域。通过多组全极化SAR实测实验数据的验证,本文方法能够正确、完整地检测出机场跑道区域,同时检测结果中跑道边缘细节信息保存良好,虚警率低。相比于文献[18]应用有监督分类方法进行机场跑道检测,本文将无监督分类方法应用到疑似跑道ROI提取中,无需先验知识,应用范围广，且适用于极化SAR图像分类和其他目标检测,因此本文算法更具有推广性。

[1] Ni W P, Yan W D, Wu J Z, et al. Detection of airport runway based on the orientation and width spectrums of images[J].InfraredandLaserEngineering,2014,43(11):3655-3662.(倪维平,严卫东, 吴俊政, 等. 应用图像方向和宽度谱检测机场跑道[J].红外与激光工程, 2014, 43(11):3655-3662.)

[2] Aytekin O, Zongur U, Halici U. Texture-based airport runway detection[J].IEEEGeoscienceandRemoteSensingLetters, 2013, 10(3):471-475.

[3] Tripathi A K, Swarup S. Shape and color features based airport runway detection[C]∥Proc.ofthe3rdIEEEInternationalAdvanceComputingConference, 2013: 836-841.

[4] Zhuang H L, Low K S. Real time runway detection in satellite images using multi-channel PCNN[C]∥Proc.ofthe9thIEEEConferenceonIndustrialElectronicsandApplications, 2014: 253-257.

[5] Cao S X, Jiang J, Zhang G J, et al. Runway detection using line segment statistical model[C]∥Proc.ofthe3rdInternationalConferenceonIntelligentControlandInformationProcessing, 2012: 601-604.

[6] Ugur Z, Ugur H, Orsan A, et al. Airport runway detection in satellite images by Adaboost learning[C]∥Proc.oftheImageandSignalProcessingforRemoteSensingXV, 2009:1-12.

[7] Pi Y M, Fan L H, Yang X B. Airport detection and runway recognition in SAR images[C]∥Proc.oftheIEEEInternationalGeoscienceandRemoteSensingSymposium, 2003: 4007-4009.

[8] Wang W, Liu L, Hu C B, et al. Airport detection in SAR image based on perceptual organization[C]∥Proc.oftheInternationalWorkshoponMulti-Platform/Multi-SensorRemoteSensingandMapping, 2011:1-5.

[9] Fu Y L, Xing K, Han X W, et al. Airfield runway detection from synthetic aperture radar image[C]∥Proc.ofthe1stInternationalCongressonImageandSignalProcessing, 2008: 798-801.

[10] Xiong W, Zhong J J, Zhou Y. Automatic recognition of airfield runways based on Radon transform and hypothesis testing in SAR images[C]∥Proc.ofthe5thGlobalSymposiumonMillimeterWaves, 2012:462-465.

[11] Zhang L P, Zhang H, Wang C, et al. An improved method of airport detection in SAR images[C]∥Proc.oftheSPIEInternationalSocietyforOpticalEngineering, 2009:1-8.

[12] Zhang S M, Lin Y, Zhang X H, et al. Airport automatic detection in large space-borne SAR imagery[J].JournalofSystemsEngineeringandElectronics, 2010,21(3):390-396.

[13] Luo T W, Li D J, Yang G, et al. Recognition of airport runways in SAR imagery[C]∥Proc.ofthe2ndInternationalConferenceonPrecisionMechanicalInstrumentsandMeasurementTechnology, 2014: 1912-1915.

[14] Zhou N, Chen W, Zhao H, et al. Airport detection algorithm in large area satellite borne SAR images[J].SystemsEngineeringandElectronics, 2009, 31(8): 1870-1873. (周诺,陈伟,赵晖,等.大幅面星载SAR图像中机场检测算法[J].系统工程与电子技术,2009,31(8):1870-1873.)

[15] Pan C, Dai X Y. Detection of airport ROI in SAR image based on CV model[J].RadioEngineering, 2012, 42(7): 10-13. (潘诚,戴晓燕.基于CV模型的SAR图像机场感兴趣区域检测[J].无线电工程,2012，42(7):10-13.)

[16] Wang D, Chen Y Y, Qin P. Airport objects extraction from SAR based on ICA and SNF[J].ComputerEngineering, 2009,35(24):1-3. (王栋,陈映鹰,秦平.基于ICA和SNF的SAR机场目标提取[J].计算机工程,2009，35(24):1-3.)

[17] Zhang L P, Zhang H, Wang C, et al. A fast method of airport detection in large-scale SAR image with high resolution[J].JournalofImageandGraphics, 2010, 15(7): 1112-1120.(张立平, 张红, 王超, 等.大场景高分辨率SAR图像中机场快速检测方法[J].中国图象图形学报,2010，15(7):1112-1120.)

[18] Han P, Xu J S. PolSAR image runways detection based on multi-stage classification[J].SystemsEngineeringandElectronics, 2014, 36(5): 866-871. (韩萍,徐建飒.基于多级分类的PolSAR图像机场跑道检测[J].系统工程与电子技术,2014,36(5):866-871.)

[19] An W T, Cui Y, Yang J. Fast alternatives to H/α for polarimetric SAR[J].IEEETrans.onGeoscienceandRemoteSensing, 2010，7(2):343-347.

[20] Lee J S,Pottier E.Polarimetricradarimaging:frombasicstoapplications[M].Florida: CRC Press, 2009：66-240.

[21] Wu Y H, Ji K F, Li Y, et al. Segmentation of multi-look fully polarimetric SAR images based on Wishart distribution and MRF[J].ActaElectronicaSinica, 2007，35(12):2302-2306. (吴永辉,计科峰,李禹,等.基于Wishart分布和MRF的多视全极化SAR图像分割[J].电子学报,2007，35(12):2302-2306.)

[22] Liu D Y.Thecivilaviationstudies(Revisededition)[M].Beijing: China Civil Aviation Press, 2005: 202-204. (刘得一.民航概论(修订版)[M].北京:中国民航出版社,2005:202-204.)

Runways detection based onh/qdecomposition and iterative Bayesian classification

HAN Ping, CHANG Ling, CHENG Zheng, SHI Qing-yan

(TianjinKeyLabforAdvancedSignalProcessing,CivilAviationUniversityofChina,Tianjin300300,China)

A new algorithm of runways detection based on unsupervised classification is proposed. Firstly, initial sample templates are constructed from the original image withh/qdecomposition. Then, the pixels in the original image are classified again with Bayesian classifier based on the initial sample templates. Thirdly,combining the property of polarization scattering and the weak backscattering feature of runways with Morphology filtering, suspected runway areas will be extracted from the above classification image. Using the runways structural features to identify suspected runway areas, the real runway area is detected finally. Multi-look fully polarimetric synthetic aperture radar (SAR) data acquired by U.S.UAVSAR systems is used to test the proposed algorithm. Experimental results show that the novel algorithm can detect runways effectively from complex scenes of the polarimetric SAR image and has a low false alarm rate and the detected results keep an intact structure and clear outlines.

h/qdecomposition; iterative Bayesian classification; polarimetric synthetic aperture radar (SAR) image; runways detection; polarimetric scattering property

2015-12-03；

2016-02-22；网络优先出版日期：2016-06-08。

国家自然科学基金(61571442, 61471365, 61231017)；中央高校基本科研业务费专项资金(3122014C004)资助课题

TP 753

10.3969/j.issn.1001-506X.2016.09.12

韩萍(1966-),女,教授,博士,主要研究方向为数字信号处理、模式识别。

E-mail:hanpingcauc@163.com

常玲(1989-),女,硕士研究生,主要研究方向为极化合成孔径雷达图像处理。

E-mail:13865752908@163.com

程争(1990-),男,硕士研究生,主要研究方向为极化合成孔径雷达图像处理。

E-mail:15202281737@163.com

石庆研(1977-),女,讲师,博士,主要研究方向为阵列信号处理、盲信号处理。